一种基于递归型核机器学习的高光谱异常目标检测方法
【技术领域】
[0001] 本发明涉及一种基于递归型核机器学习的高光谱异常目标检测方法。
【背景技术】
[0002] 高光谱遥感的出现是遥感技术的一场革命。随着光谱分辨率的提高，它使原本在 多光谱遥感中无法有效探测的地物得以探测，因而得到了广泛的应用。在很多实际情况下， 研究者总是没有足够的先验知识来表征目标类别的统计信息，例如农学的特殊物种、生态 学中的异常迀移、地质学中的稀有矿物、环境监测中的有毒废物排泄和石油泄漏、战场中的 车辆或飞机、医学诊断中的癌细胞或者肿瘤等等。因此，无需先验知识的高光谱图像异常检 测得到了越来越广泛的关注。
[0003] 在实际异常探测中，由于高光谱数据量非常大，现有的检测方法利用一阶及二阶 统计特性，具有较复杂的计算复杂度，是一个非常耗时的过程，因此，异常目标的快速处理 方法是很有必要的。另一方面，随着现代遥感技术的飞速发展，高光谱遥感在获取更加丰富 地物信息的同时，其大量的数据量也给数据存储、卫星下行数传和后续处理带来了巨大的 压力。
【发明内容】
[0004] 本发明的目的在于提供一种进行高光谱异常检测时，利用核机器学习方法，选用 合适的核函数，利用Woodbury引理实现递归过程，实现目标检测的递归过程，提高检测效 率的基于递归型核机器学习的高光谱异常目标检测方法。
[0005] 本发明的目的是这样实现的：
[0006] (1)输入高光谱数据；
[0007] (2)选择核函数k(x, Xi) = (X1Xi)d, d e N，建立核机器学习的高光谱目标检测模 型，初始化Gram矩阵；
[0008] (3)建立Gram矩阵Kb (η)的状态方程，
[0010] 式中，ΚΒ(η-1)是上一时刻状态的估计值，rn= [r ln，r2n，…，rjl当前状态的像 元观测值，L波段数，根据当前状态高光谱像元的观测值^和上一时刻状态像元的估计值 Kb (n-1)，更新当前状态Gram矩阵的估计值；
[0011] ⑷利用Woodbury恒等式更新高光谱Gram矩阵Kb (η)的逆矩阵[KB (n)] S
[0012] (5)结合异常检测算子对高光谱图像进行快速检测；
[0013] (6)高光谱图像检测完毕，输出结果。
[0014] 所述步骤⑷中，利用Woodbury恒等式推导，逆矩阵[ΚΒ(η)] 1的计算公式如下： CN 105184797 A 说明书 2/7 页
[0017] 式中，[ΚΒ(η)] 1为上一个Gram矩阵的逆矩阵。
[0018] 所述步骤2中，Gram矩阵
[0021] 式中，L是高光谱数据的波段数。
[0022] 所述步骤（5)中，异常检测算子采用KRX算子：
[0024] 本发明的有益效果在于：由于Gram核矩阵KB(n)只需要当前时刻像元^之前的背 景光谱信息，没有用到之后的像元信息，因此可以实现高光谱边下行传输边处理的过程。无 需重复计算KB(n)及其逆矩阵，可以大大减少算法计算时间，提高了高光谱异常目标检测效 率。由于计算KB(n)只需要KB(n-l)和^，因此在检测过程中，系统只需要存储K B(n-l)和 rn，而无需存储已有的像元，可大大减少算子所需要的存储空间。
【附图说明】
[0025] 图1为真实的AVIRIS数据和HyMap数据高光谱图像数据；
[0026] 图2为模拟数据第100波段图像和真实地物分布高光谱图像数据；
[0027] 图3为模拟数据经典KXD异常探测算子检测结果3D峰度图和本发明方法的检测 结果3D峰度图检测结果；
[0028] 图4为真实数据经典KXD异常探测算子结果灰度图和本发明方法的检测结果灰度 图检测结果；
[0029] 图5为算法时间对比图；
[0030] 图6为算法流程图。
【具体实施方式】
[0031] 下面结合附图对本发明做进一步描述。
[0032] 高光谱遥感目标检测是遥感信号处理领域的热点问题，针对经典算法检测过程计 算复杂、不能满足快速处理要求的缺陷。本发明提供了一种基于递归型核机器学习的高光 谱异常目标检测方法，应用Woodbury引理从上一时刻的状态迭代更新当前像元的Gram矩 阵，避免了高维矩阵数据重复计算。该方法在检测精度有所提高的同时，大大缩短了算法检 测时间，提高了异常目标检测效率。
[0033] -种基于递归核机器学习的高光谱异常目标检测方法，其特征在于：
[0034] 步骤1 :输入高光谱数据
[0035] 步骤2 :选择核函数k (X，Xi) = (X1Xi)d, d e N，建立核机器学习的高光谱目标检测 模型，初始化Gram矩阵；
[0036] 步骤3 :建立Gram矩阵Kb (η)的状态方程，
[0038] 式中，ΚΒ(η-1)是上一时刻状态的估计值，rn= [r ln，r2n，…，rjl当前状态的像 元观测值，L波段数，根据当前状态高光谱像元的观测值^和上一时刻状态像元的估计值 Kb (n-1)，更新当前状态Gram矩阵的估计值；
[0039] 步骤4 :利用Woodbury恒等式更新高光谱Gram矩阵Kb (η)的逆矩阵[KB (n) ] S
[0040] 步骤5 :结合异常检测算子对高光谱图像进行快速检测；
[0041] 步骤6 :高光谱图像检测完毕，输出结果。
[0042] 优选地，步骤4中，利用Woodbury恒等式推导，逆矩阵[ΚΒ(η)] 1的计算公式如下：
[0045] 式中，为上一个Gram矩阵的逆矩阵。
[0046] 优选地，步骤2中，Gram矩阵 CN 105184797 A ^ ^ Ij 4/Y 贝
[0049] 式中，L是高光谱数据的波段数。
[0050] 优选地，步骤5中，异常检测算子采用KRX算子，公式如下：
[0052] 核方法是针对RX算子存在的问题提出的改进方法，并在其基础上发展而来的，克 服了 RX算法的不足，将原始高光谱数据中线性不可分的信息，通过非线性核映射到高维的 特征空间，从而线性可分，进而实现背景和目标的有效分离，它是一种非线性的RX算法。
[0053] 实现本发明目的技术方案：
[0054] -种基于递归核机器学习的高光谱异常目标检测方法，其特征在于：
[0055] 步骤1 :输入高光谱数据
[0056] 步骤2 :选择核函数k (X，Xi) = (X1Xi)d, d e N，建立核机器学习的高光谱目标检测 模型，初始化Gram矩阵；
[0057] 步骤3 :建立Gram矩阵Kb (η)的状态方程，
[0059] 式中，ΚΒ(η-1)是上一时刻状态的估计值，rn= [r ln，r2n，…，rjl当前状态的像 元观测值，L波段数，根据当前状态高光谱像元的观测值^和上一时刻状态像元的估计值 Kb (n-1)，更新当前状态Gram矩阵的估计值；
[0060] 步骤4 :利用Woodbury恒等式更新高光谱Gram矩阵Kb (η)的逆矩阵[KB (n) ] S
[0061] 步骤5 :结合异常检测算子对高光谱图像进行快速检测；
[0062] 步骤6 :高光谱图像检测完毕，输出结果。
[0063] 优选地，步骤4中，利用Woodbury恒等式推导，逆矩阵[ΚΒ(η)] 1的计算公式如下：
CN 105184797 A 说明书 5/7 页
[0066] 式中，为上一个Gram矩阵的逆矩阵。
[0067] 优选地，步骤2中，Gram矩阵
[0070] 式中，L是高光谱数据的波段数。
[0071] 优选地，步骤5中，异常检测算子采用KRX算子，公式如下：
[0073] 本发明将卡尔曼滤波理论应用到高光谱遥感目标检测中，利用卡尔曼滤波理论的 递归思想得出Gram矩阵Kb (η)递归公式，从而能够从待检测像元之前的所有像元的Gram矩 阵的逆矩阵递归更新出当前待检测像元的Gram矩阵逆矩阵，无需重复计算逆矩阵，可以实 现高光谱遥感目标快速检测过程。本发明克服了传统RX方法的不足，将原始高光谱数据中 线性不可分的信息，通过非线性核映射（Gram矩阵）映射到高维的特征空间，从而实